资 源 简 介
机器学习是人工智能的核心研究领域之一
任何一个没有学习能力的系统都很难被认为是一个真正的智能系统
经典定义：利用经验改善系统自身的性能
随着该领域的发展，主要做智能数据分析
并已成为智能数据分析技术的源泉之一
典型任务：预测（例如：天气预报）
主要范式的发展：
80年代中叶以前：符号主义，代表：ILP
受到传统人工智能研究的深刻影响，以逻辑推理为基础
80年代中叶至90年代初：连接主义，代表：NN
对传统人工智能的批评：“看上去漂亮，但解决不了实际问题”
对上述批评，AI的不同分支学科实际上都做出了自己的回应，ML的回应是连接主义受到重视
NN并不漂亮（至少在理论体系上远远没有ILP那么漂亮），但解决了很多实际问题
90年代中叶至今：统计学习，代表：SVM
NN虽然解决了不少问题，但解决问题时的“试错性”引来了“trick”的批评
作为回应，统计学习开始占据支配地位。虽然SVM仍然有“试错性”，但毕竟在理论基础上比NN漂亮得多（实际上，统计学习与连接主义一脉相承）
现在：？
统计学习并不是万能的，有很多问题不能解决（或不能很好地解决），例如结构化数据的学习
作为回应，以逻辑为基础的符号主义与统计学习的结合开始受到重视
作为支持和服务技术的“普适机器学习”带来了挑战和机遇：
出现了很多被传统ML研究忽视、但非常重要且尚无好的解决方案的问题（下面将以医疗和金融为代表来举几个例子）
ML支持和服务的学科领域越多，新问题越多
ML与众多学科领域产生了交叉，而交叉领域正是大有可为处
